مقاله کامل تحقیق بر کنترل فازی ردیابی مسیر برای وسیله های نقلیه زیر آبی، بر اساس بهینه سازی توسط الگوریتم ژنتیک

/
دانشگاه ………………
واحد ……………………
موضوع
تحقیق بر کنترل فازی ردیابی مسیر برای وسیله های نقلیه زیر آبی، بر اساس بهینه سازی توسط الگوریتم ژنتیک:
استاد
…………………….
دانشجو
…………………………
بهار 1401

فهرست مطالب

چکیده 1

1.مقدمه 1

2.طراحی کنترل کننده دریابی مسیر براساس نظریه فازی 2

3. کنترل گر فازی بهبود یافته توسط الگوریتم ژنتیک 4
4. تایید شبیه سازی 6
5. مطالعه تجربی بر روی وسیله نقلیه زیر آبی “Sea Dog” 9

6.نتیجه گیری 12

منابع 13

چکیده
مسئله ردیابی مسیر ربات های زیر آبی در شرایط کاری متفاوت مطالعه شده است. براساس تحلیل مدل کنترل برای ربات های زیر آبی، روشی برای ردیابی مسیر در ربات های زیر آبی بر اساس روش خط دید، پیشنهاد شده است. طبق الگوریتم کنترل فازی، یک کنترل کننده فازی طراحی میشود که در ادامه توسط یک الگوریتم ژنتیک بهبود میابد. روش کنترل فازی ایجاد شده، در ردیابی مسیر یک وسیله نقلیه زیر آبی دست ساز به کار گرفته میشود و به و از راه شبیه سازی و آزمایش، آزموده میشود. نتایج نشان میدهند که روش ردیابی مسیر بر اساس کنترل کننده فازی بهبود یافته با الگوریتم ژنتیک، تضمین میکند که وسیله نقلیه در مسیر مورد انتظار شناور شده و همچنین این سیستم قدرت بالایی را از خود نشان میدهد.
کلمات کلیدی:وسیله نقلیه زیر آبی، ردیابی مسیر، کنترل فازی، الگوریتم ژنتیک
1.مقدمه
اقیانوس به واسطه عوامل قابل پیش بینی مانند توپوگرافی زیر دریایی، وهمچنین عوامل غیرقابل پیش بینی بسیار مانند جریان ها و موج ها، موجودات زیر دریایی و…، محیط پیچیده ای دارد. ممکن است این عوامل بر عملکرد ربات های زیر آبی تاثیر بگذارند (زوژی، 2010؛ پریباکا و باکهام، 2005 )، به خصوص برای وظایفی که به دقت نیاز دارند. بنابراین، مطالعه بر روی سیستم کنترل برای ربات های زیر آبی، از جهت کارکرد موثر آن ها در زیر آب، اهمیت بالایی دارد. (هیلی و لیانارد، 1993 ). و تکنیک کنترل حرکت، برای پی بردن به حرکت مورد نیاز و دستیابی به موقعیت هدایت پایدار وسایل نقلیه زیر آبی اهمیت دارد، که برای وظایف زیر آبی نیازمند به دقت ضروری هستند. ( ممدانی و آسیلین، 1975 ).
در حال حاضر، روش های متداول مورد استفاده برای کنترل جهت یابی وسیله های نقلیه زیر آبی، اساسا شامل کنترل PID، کنترل تطبیقی، کنترل سینوویال، کنترل فازی و کنترل شبکه عصبی در خانه و بیرون هستند (شاکنگ، 2005). کنترل فازی به عنوان یک روش کنترل مهم، برجسته ترین برتری را مبتنی بر این که وابسته به مدل ریاضی دقیق سیستم کنترل بوده و همچنین میتواند به سیستم غیر خطی را به طور موثر کنترل کند. قدرت و قابلیت ضد تداخل بالایی دارد. ضعف آن این است که به سختی میتوان مطمئن بود که سیستم کنترلی پایداری و حساسیت مناسبی دارد ( دبیتتو، 1994). و الگوریتم ژنتیک، کنترل گر فازی بدیعی است که قابلیت های جستجوی سریع و اتفاقی دارد. در این مقاله، براساس ویژگی
های کنترل فازی و برتری های الگوریتم ژنتیک، کنترل گر فاری بدیعی برای کنترل ردیابی مسیر ماشین های زیر آبی طراحی شده است. روش کنترل حرکت (به بیان دیگر ردیابی مسیر) برای نمونه ای اولیه از یک وسیله نقلیه زیر آبی دست ساز به نام Sea Dog”” توسط کنترل کننده فازی که با الگوریتم ژنتیک بهبود، ایجاد شده است، که با شبیه سازی و همچنین آزمایش، تست میشود.
2.طراحی کنترل کننده دریابی مسیر براساس نظریه فازی
“Sea Dog” با ROV معمولی، که از طراحی با قابی سه لایه استفاده میکند، متفاوت است ( هومان و نری، 2012؛ لیگوراس و همکاران، 1998). دو ویژگی آن به ترتیب زیر هستند: (1) مرکز ثقل آن با منشا دستگاه مختصات حرکت همخوانی دارد. (2) با احتساب تسهیل مدل سازی، بالا و پایین، پشت و جلو و زیر و روی وسیله نقلیه تقریبا متقارن هستند. به منظور تسهیل توصیف حرکت وسیلهَ، مبدا مختصات O در دستگاه مختصات میتواند در هر نقطه ای از وسیله نقلیه در نظر گرفته شود. محور X بر محور تقارن اصلی وسیله نقلیه عمود است. محور Y با محور کمکی تقارن وسیله نقلیه عمود هستند. محور Z به سمت زیر ربات زیر آبی قرار گرفته است. گزینش دستگاه مختصات در شکل 1 نشان داده شده است.
کنترل ردیابی مسیر برای وسیله نقلیه زیر آبی “Sea Dog” یک کنترل ردیابی مسیر ترکیبی است که جابجایی را هم در سطح افقی و هم در سطح عمودی در نظر میگیرد ( جینگ ژنگ و زو، 2007). در فرآیند کنترل، زمانی که مختصات مقصد و مکان فعلی داده شده اند، جهت مورد انتظار و زاویه زمین با سرعت مورد انتظار وسیله نقلیه با توجه به حل کننده مسیر، که در آن روش محاسبه برای خطای به خصوص، تصویب میشود.
/
شکل1: دستگاه مختصات زمین و نمودار دستگاه مختصات سینماتیک
کنترل گر فازی خطای میان آن چه مورد انتظار است و آن چه در عمل اتفاق می افتد در زاویه جرکت، سرعت، زاویه رمین را به ترتیب حذف میکند، در نتیجه به طور غیرمستقیم وسیله نقلیه را به سمت موردنظر ما هدایت میکند. بخش کنترل گر فازی سیستم کنترل دقیقی را برای ردیابی مسیر های پیچ و خم دار در فضا، شکل میدهد. به وسیله الگوریتم فازی،سهم سرعت متناظر پروانه
میتواند برای تنظیم جنبش وسیله نقلیه تنظیم شود. نمودار سیستم کنترل در شکل 2 نشان داده شده است.
/
شکل 2 – نمودار یک سیستم کنترل
/
شکل 3. نمودار ردیابی مسیر افقی وسیله نقلیه.
شکل3 نمودار افقی ردیابی مسیر وسیله نقلیه را نشان میدهد. در این جا ردیابی افقی مسیر را به عنوان مثال در نظر میگیریم. همان طور که در شکل 2 نشان داده شد، منحنی قرمز مسیر مورد انتظار وسیله نقلیه است، O نقطه شروع، A موقعیت فعلی، و B موقعیت هدف است. مختصات نقاط A و B به ترتیب به صورت (Xa,Ya) و (Xb ,Yb) تعیین شده اند. در نتیجه، جهت شناور شدن در قسمت AB هست:
(1)
Ψd = tan-1((y-yd)/ (x-xd))
فاصله وسیله نقلیه از مسیر منتظره، به عبارت دیگر ردیابی خطا، d=|AD|، میتواند به صورت زیر بیان شود:
(2)
d = |AO|.sin ((arctan yb/xb) – (arctan ya/xa))
فاصله جابجایی L، یه عنوان فاصله بین موقعیت وسیله نقلیه در A و خطی که از میان نقطه هدف B بر خط OB، به عنوان خط هدف مرجع عمود است، تعریف میشود(یک رابط را نشان میدهد). جهت مثبت L به صورت خط سیر O به B تعریف میشود. L برای تعیین این که وسیله نقلیه وارد بخش بعدی میشود یا نه، استفاده میشود و به موقعیت نقطه B مرتبط است ) ژوانگ، 2000)L میتواند به وسیله معادله زیر بدست آید:
(3)
L = SAB.COS(arctan xb/xa – ψd )
در طول ردیابی مسیر افقی، مسیر خمیده داده شده را به چندین قسمت تقسیم میکنیم. همان گونه که در شکل 3 نشان داده شده، نقطه B نقطه هدف برای وسیله نقلیه در بخش فعلی است. طبق موقعیت فعلی وسیله نقلیه، کنترل گر بخشی را که وسیله نقلیه در حال حاضر در آن است، تعیین میکند، و در نتیجه نقطه هدف برای وسیله نقلیه در بخش فعلی را تعیین میکند. به این طریق، وسیله نقلیه به سرعت وارد حالت کنترل ردیابی مسیر میشود (یی و هنگ، 2002؛ لیو،2009؛ زنگ، 2010).
جزئیات راه حل بدین ترتیب است: شروع از نقطه قبلی، مطابق با Eqs.(1)-(3)، فاصله، L، در شکل 3 تعیین شده است تا بررسی کند کمتر از 0 هست یا خیر، یا میتوان گفت بررسی کند آیا نقطه هدف را گذرانده است یا نه. اگر گذشته باشد، L برای نقطه هدف بعدی بررسی شده است. زمانی که L بزرگتر از 0 است، این بخش به عنوان بخش فعلی وسیله نقلیه تعیین میشود.
کنترل گر فازی مسیر یابی افقی، نوعی کنترل گر فازی دو بعدی است. ورودی ها انحراف زاویه ورود و شدت انحراف زاویه ورود هستند. تابع فرعی متناظر در شکل 4 نشان داده شده است.
3. کنترل گر فازی بهبود یافته توسط الگوریتم ژنتیک
کارایی کنترل گر منطقی فازی بستگی به این دارد که تابع فرعی با کارایی بالا و قوانین فازی معقولی به کار گرفته شوند یا خیر. تابع فرعی اساسا با روش آزمون و خطا در عمل تعیین میشود که سنگین بوده و توانایی تطابق ندارد (مجی و همکاران، 2016). قوانین کنترل و توابع فرعی کنترل گر فازی توسط برخی از عوامل درونی تحت تاثیر قرار میگیرند، که تاثیر به سزایی در کارایی کنترل گر فازی دارند (ژانگ و همکاران، 2004). الگوریتم ژنتیک در طراحی کنترل گر فازی معرفی شده است، که تابع فرعی و قوانین کنترل گر فازی را همزمان بهبود میبخشد.
/
شکل4- تابع عضویت برای انحراف زاویه ورود. (b) تابع عضویت برای شدت انحراف زاویه ورود.
الگوریتم ژنتیک یک الگوریتم جستجوی جهانی است که، هیچ نیازی به آن در این زمینه نیست. پیش از هر چیز لازم است تا فضای راه حل این مسئله براساس توصیف مسئله بهبود دادن تعیین گردد تا الگوی بهبود بتواند ایجاد شود و تابع هدف بتواند براساس الگو تعیین شود. در عین حال، روش کد گذاری کروموزوم ها نیز باید تعیین گردد تا فضای جستجوی الگوریتم ژنتیک بتواند به دست بیاید. در آخر، برای مشخص کردن روش ارزیابی سازگاری فردی و طراحی عمل گر های ژنتیکی و تعیین پارامتر های مرتبط برای عمل آن ها. (چن، 1999؛ شیینگ و همکاران، 2014).
در این پژوهش، شناور رمز گذاری استفاده شده است، و هر کروموزوم با یک کنترل گر فازی مطابقت دارد ( شائوچن، 2003). از دو عدد نقطه شناور در فاصله تشخیص [-1 , 1] برای تشکیل تابع فرعی مثلثی استفاده میکنیم. عدد اول موقعیت نقطه ثابت x را نشان میدهد و عدد دوم نصف عرض سطح زیرین l میباشد. با در نظر گرفتن ردیابی مسیر افقی به عنوان مثال، تابع فرعی برای هر متغیر زبانی دو طرفه متقارن است، همان طور که در شکل 5 نشان داده شده است.
/
شکل 5. کدگذاری تابع تابع.
برای هر تابع فرعی، مجموعا شش پارامتر نیاز به تغییر با توجه به اضافه کردن کد از مجموعه قوانین دارند. با در نظر گرفتن زاویه ورود کنترل گر به عنوان مثال، قانون کنترل فازی آن 49 بیت رمز گذاری شده است و ورودی تابع فرعی برای انحراف زاویه ورود و شدت انحراف زاویه ورود، نیاز به رمزگذاری 12 بیتی شناور دارد. بنابراین رمزگذاری به طول 61 بیت مورد نیاز است.
احتمال کراس اوور و احتمال جهش در الگوریتم ژنتیک فاکتورهای مهمی هستند، بنابراین، به منظور لحاظ کردن دقت و کارایی، اتخاذ عقلانی این دو احتمال ضروری است. در این جا طرح قابل تصویب جدیدی در انتخاب احتمال کراس اوور و جهش پیشنهاد شده است:
Pe = 0.55 + 0.2 Fmax – Favg / Fe Fe =,< Favg , (Fmax – Favg ) < Fe
0.75 other
جایی که Fmax ماکسیمم سازگاری جمعیت است؛ Favg متوسط سازگاری همان جمعیت است؛ Feسازگاری فردی برای عملیات کراس است؛ Fmسازگاری فردی برای عملیات جهش است. در نقشه ارتقا یافته، انتخاب دو احتمال به دو شرط، طبق درجه سازگاری فردی، تقسیم شده است. زمانی که سازگاری فردی از متوسط سازگاری جمعیت بزرگتر است، احتمال جهش و احتمال کراس اوور نسبتا کوچک انتخاب میشوند، و Fmax – Favg پراکندگی سازگاری جمعیت را بازتاب میکند. وقتی که Fmax – Favg بزرگ باشد، سازگاری جمعیت پراکندگی بیشتری دارد و احتمال کراس اوور در مقایسه با وضعیت اولیه بیشتر و احتمال جهش کمتر است. به این طریق، سرعت همگرا شدن الگوریتم شتاب بیشتری میابد. به طور مشابه، اگر Fmax – Favg نسبتا کوچک باشد، سازگاری جمعیت متمرکز تر است. احتمال جهش افزایش یافته و احتمال کراس اوور کاهش می یابد، که خود تنوع جمعیت را افزایش میدهد. در این تنظیمات، تاثیر پراکندگی سازگاری جمعیت بر انتخاب دو احتمال کاملا در نظر گرفته میشود. بلعکس، زمانی که سازگاری فردی کمتر از متوسط سازگاری جمعیت است، انتخاب احتمالات بزرگ برای جهش و کراس اوور، میتوان کیفیت الگوریتم ژنتیک را ارتقا بخشد.
4. تایید شبیه سازی
الگوریتم ژنتیک یک الگوریتم بهینه سازی جهانی است (منتظری و همکاران، 2006؛ دب و همکاران، 2000؛ وانگ و همکاران، 2005؛ تیواری و همکاران، 2013، رادمهر و همکاران، 2015) . کنترل گر فازی اولیه با الگوریتم ژنتیک با تصویب قائده کنترل فازی جستجوی هماهنگ و تابع فرعی بهینه سازی شده است. در ابتدا، کنترل گر فازی بهینه سازی شده با الگوریتم ژنتیک تعیید میشود.
سپس شبیه سازی کنترل ردیابی در مسیر سینوسی، توسط Simulink ، که اختلال در جریان زمان متغیر را شبیه سازی میکند، انجام میشود.
پس از 28 نسل، راه حل بهینه به دست می آید، با کد گذاری راس فردی بههینه {0.123,0419,0.225,0.632} و نیمه عرض در قاعده به صورت {0.152,0.428,0.906,0,0.285,0.564,0.928} کدگذاری شده است.
به وسیله الگوریتم ژنتیک، کنترل گر فازی بهینه زاویه پرتاب، زاویه حرکت و سرعت وسیله نقلیه، به ترتیب به دست می آیند. و شبیه سازی برای ردیابی مسیر وسیله نقلیه دست ساز زیر آبی، “Sea Dog” صورت میگیرد.
با در نظر گرفتن این که تغییر سرعت جریان متداوم زمان-متغیر با عمق مشهود تر است، در سطح مشابه از تغییر سرعت چشم پوشی میکنیم، با فرض این که سرعت جریان به صورت خطی با عمق تغییر میکنند (واحد kn) (زنگ و همکاران، 2015).
/
شکل 6. نمودار جریان شبیه سازی.
مسیر جاری شدن در طول محور x و است و z عمق درون آب می باشد.
موقعیت اولیه “Sea Dog” به صورت (x ,y ,z) =(0,0,0.35)[m]، با زاویه اویلر(φθψ) = (0o,0o,0o); و سرعت اولیه؛ (u,v,w) = (0,0,0) [kn]، سرعت پیش بینی شده، u = 0.4kn تعیین میشود. سپس، وسیله نقلیه در فضای سه بعدی برای عمق متغیری از حرکت، شبیه سازی میشود.
اثرات کنترل گر ها بر ردیابی مسیر، در صفحه XY و XZ در شکل 7 و شکل 8، به ترتیب، نشان داده شده است. هر دو کنترل گر، با الگوریتم ژنتیک و بدون آن، میتوانند به ردیابی مسیر برای وسیله نقلیه در تداخل جریان متداوم متغیر با زمان، دست یابند. اگرچه، بدیهی است که خطای کنترل گری که از الگوریتم ژنتیک استفاده میکند در مقایسه با آن که از کنترل گر فازی مرسوم استفاده میکند کوچکتر است. کنترل گر فازی بهینه سازی شده با الگوریتم ژنتیک، اختلالات توسط جریان زمان-متغیر بهتر سرکوب میکند. (شکل 9 را ببینید).
/
شکل 7. (الف) ردیابی مسیر صفحه XY. (ب) بزرگ شدن جزئی صفحه XYردیابی مسیر
شکل 10 خطای سرعت جهت یابی را نشان میدهد. در کنترل سرعت با استفاده از کنترل گر فازی بر اساس بهینه سازی الگوریتم ژنتیک،
خطای 7% وجود دارد، در حالی که بدون بهینه سازی الگوریتم، نه تنها خطای 13% بلکه پاسخ تا 2 ثانیه با تاخیر همراه است. میتوان مشاهده کرد که کنترل گر فازی بهینه، در ردیابی سرعت وسیله نقلیه موفق تر است.
شکل 11 خطای زاویه حرکت را نشان میدهد. میتوانیم ببینیم که در صورت وجود تداخل جریان بزرگ، با کنترل گر بر اساس بهینه سازی الگوریتم ژنتیک، نوسان کمتری وجود دارد.
و پایداری زاویه حرکت در کنترل گر فازی مرسوم به خوبی کنترل گر فازی نیست حتی زمانی که جریان کوچک است. شکل 11 خطای زاویه شیب وسیله نقلیه را نشان میدهد. در صورت حضور جریان بزرگ، هنگامی که از کنترل گر فازی بر اساس الگوریتم ژنتیک استفاده میکنیم، خطا بسیار کمتر است، که دستیابی به حالت پایدار را تسریع میکند (شکل 12 را ببینید). جریان، یکی از مهم ترین فاکتور های تاثیر گذار در حرکت وسیله های نقلیه زیر آبی است (پتیت و همکاران، 2004؛ یندل و همکاران، 2003).
نتیجه کنترل گر فازی بر اساس بهینه سازی الگوریتم ژنتیک و کنترل گر فازی مرسوم، از جهت مداخله های جریان در شکل 13 قابل مقایسه هستند. اولی خطای استاندارد ردیابی مسیر 258/0 m و دومی خطای استاندارد 372/0 m برای ردیابی مسیر دارد. تضاد خطا ها در تغییرات اندازه جریان کاملا مشهود هستند.
میتوان در شبیه سازی مشاهده کرد که کنترل گر فازی بر مبنای الگوریتم ژنتیک، کنترل جهت یابی مسیر را در “Sea Dog”، همراه با دقت و پایداری مشهود، محقق کرده است. مشخص شده است که الگوریتم ژنتیک ترکیب ، دقت و حساسیت را افزایش میدهد. که فرآیند آزمون و خطا را حذف کرده و دقت و حساسیت را بالا میبرد. تا زمانی که بتوانیم مدل ریاضی مناسبی برای شی کنترل شونده بسازیم، میتوانیم از الگوریتم ژنتیک برای ساخت کنترل گر فازی رضایت بخش استفاده کنیم.

فایل : 16 صفحه

فرمت : Word